产业集聚和企业的融资约束，本文主要内容关键词为：融资论文,产业集聚论文,企业论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
一、引言 宏观理论和相关实证研究认为，完善的金融部门是经济发展的必要条件(Bagehot，1873；Hicks，1969；McKinnon，1973；Shaw，1973；Rousseau and Wachtel，1998；经济增长前沿课题组，2003；黄健柏、刘维臻，2008)。但中国的现实情况却与之不符。中国长期的高速增长恰是在金融抑制普遍存在的背景下实现的(张宗新，2002；卢峰、姚洋，2004；周立，2004；Allen et al.，2005)。本文通过构建理论模型并利用中国工业企业数据库说明，产业集聚作为一种空间组织形式，有助于缓解企业面临的融资约束，其效果随企业所在产业对固定资产的依赖度和产业内企业增长的差异度而不同，表明促进固定资产折变是产业集聚缓解企业融资约束的可能渠道。 本文首先基于Bernanke等(1996)，构建了一个企业与银行间存在不对称信息的静态模型。此时，银行将对企业可得的信贷规模设置上限，其水平取决于企业固定资产折变收益的贴现值。Shleifer和Vishny(1992)指出，同产业内的其他企业是固定资产折变后的最佳使用者。在模型中，同产业内企业的空间集聚提高了单个企业折变固定资产时遇见这些使用者的概率，从而能产生较高的折变收益。因此，企业所属产业在企业所在地区中的集聚度越高，企业面临的融资约束程度越低。给定企业与同产业内其他企业的相遇概率，固定资产折变的概率还取决于其他企业对固定资产的需求。一方面，折变的概率取决于买方的规模(Diamond and Verrecchia，1991；Brunnermeier and Pederson，2009)。在对固定资产依赖程度较高的产业中，企业对固定资产的平均需求规模较大。这意味着对折变固定资产的企业而言，同产业内其他企业中既具备购置固定资产的意愿，又具备购置折变资产的能力(即购置意愿的规模大于折变资产的规模)的企业较多。因此，企业成功折变固定资产的概率较大。这加强了产业集聚缓解融资约束的效果。另一方面，固定资产成功折变的概率还取决于买方表现出购置意愿的概率。Almeida和Campello(2007)指出，由于企业折变固定资产往往发生在其遭受负向冲击以至于增速放缓或出现负增长时，而企业购入固定资产则往往出现在其面临正向冲击时，因此，在企业增速差异度较大的产业中，当一家企业折变固定资产时，同产业内其他企业也同时折变固定资产的概率较小。换言之，对折变固定资产的企业而言，具有购置资产意愿的企业数量较多。这有利于企业成功折变固定资产，因而也加强了产业集聚缓解融资约束的效果。通过检验产业集聚缓解融资约束的效果在具有不同固定资产依赖程度和不同企业增速差异度的产业间的差异，本文得以间接地检验产业集聚通过强化企业折变固定资产的能力、以缓解其面临的融资约束这一作用渠道。 本文继而利用中国工业企业数据库构建企业层面的面板数据，并以投资—现金流敏感度为企业融资约束程度的衡量指标(Fazzari et al.，1988；Almeida and Campello，2007；Guariglia et al.，2011)，对理论模型的上述推论进行实证检验。无论是在城市整体层面还是在企业层面，本文发现产业集聚度提高均有助于减小投资—现金流敏感度。其效果对主产业内的企业而言更大。同时，主产业内企业的投资—现金流敏感度还往往低于主产业外企业。以上基准结论在使用不同行业分类标准下的产业集聚度指标和不同的估计方法后仍是稳健的。进一步分析发现，产业集聚缓解融资约束的效果与产业对固定资产的依赖度和产业内企业增长的差异度有关：以固定资产在总资产中的平均占比来衡量产业对固定资产的依赖度，发现缓解效果在依赖度较高的产业中较强；以产业的宏观周期性和产业内企业产值增速的变异性来衡量产业内企业增长的差异度，发现缓解效果在差异度较高的产业中较强。因此，理论模型的推论都获得了相应的实证支持。 本文对既有文献的主要潜在贡献在于，提出了一条产业集聚缓解融资约束的新路径。本文基于理论模型和实证检验，说明产业集聚能通过促进固定资产折变这一途径缓解融资约束，从而有助于理解产业集聚对银企关系的影响。本文还与既有文献有其他两处不同。首先，在既有文献的基础上，尝试将投资—现金流敏感度这一在融资约束文献中常被使用的指标应用到研究产业集聚与融资约束的相关文献中，通过将融资约束指标和产业集聚指标同时纳入分析框架，更加直接地识别产业集聚对融资约束的影响。其次，在有关产业集聚缓解融资约束的现有文献的基础上，试图进一步区分产业集聚缓解融资约束的效果在主产业内和主产业外企业之间的区别。考虑到既有文献主要度量的是产业集聚缓解融资约束的“平均”效果，本文的尝试有助于补充说明产业集聚对企业融资约束影响的异质性。 本文余下部分的安排如下。第二部分是对有关文献的简单综述。第三部分是理论模型，说明产业集聚缓解融资约束的机制及其效果在产业间的差异。第四部分通过事实描述和基准实证分析对理论模型的主要推论进行检验。第五部分是稳健性检验。第六部分通过考查产业集聚缓解融资约束的效果在不同产业间的区别，检验产业集聚对融资约束影响的作用机制。第七部分是结论和政策建议。 二、文献综述 中国经济长期的高速增长是在金融抑制普遍存在的背景下实现的。如何解释这种现象?既有研究认为，市场做出的一系列调整可能缓解了企业实际面临的融资约束。首先，正规金融部门内部可能存在资金漏损。融资约束程度较低的企业可能将资金转借给约束程度较高的企业，从而缓解后者实际面临的约束(卢峰、姚洋，2004)。其次，私人借贷、轮转基金、钱庄和典当行等非正规金融部门可以为企业提供替代性融资渠道(林毅夫、孙希芳，2005)。第三，中小金融机构可能在一定程度上缓解了大银行主导的正规金融部门对中小企业造成的融资约束(林毅夫、李永军，2001；李志赟，2002)。最后，企业本身也可能选择进入资本要求相对较低的产业(Bates，1995；McKenzie and Woodruff，2006)。 近年来，产业集聚这一空间组织形式对企业融资约束的影响引起了广泛关注。Dei Ottati(1994)指出，通过互惠合作(reciprocal cooperation)和互连交易(interlinking transactions)，集聚强化了企业间的信任，促成了转包与信贷互连的非正式借贷，缓解了企业的融资约束。Schmitz和Nadvi(1999)和阮建青等(2007)发现，集聚使企业各自承担原本资本规模要求较高的工业流程中相对独立的工序，降低了单个企业的资本进入门槛。Long和Zhang(2011)进一步证实，集聚还促使企业更多地运用贸易信贷(trade credit)，减少了企业对营运资本的需求。但这些研究都主要着眼于产业集聚如何减少企业对正规金融部门的融资需求，而较少讨论企业与银行关系所受的影响。 Becattini(1990)和Dei Ottati(1994)指出，集聚不仅强化了企业间的信任，还强化了企业与银行间的信任。通过重复交易，地方银行拥有关于当地企业的信息优势，从而不会对企业的融资规模施加严格的限制。但Russo和Rossi(2001)发现，尽管产业区内企业取得信贷的平均贷款利率较低，并且获得信贷规模大于银行授信额度90％的概率也较低，地方银行在其中的作用却不明显。盛丹、王永进(2013)证实，产业集聚有助于提高企业获得银行贷款的概率，并通过拓展集约边际提高信贷资源的配置效率。他们还发现，产业集聚最终促进了产业增长。不过，这些研究尚未通过理论模型和相关的实证检验对产业集聚促进银行信贷的作用机制做具体说明，也未检验产业集聚效果在当地主产业内外企业间的区别。 在融资约束的度量方法上，本文与金融等级理论和基于投资—现金流敏感度的实证文献紧密相关。Myers和Majluf(1984)、Greenwald等(1984)和 Myers(1984)首先指出，信息不对称环境中，企业的资金来源存在金融等级。Fazzari等(1988)证实，企业投资与现金流的相关性显著异于0，说明金融等级存在。他们发现，收入留存率较高企业的投资—现金流敏感度较高，即融资约束较紧。Almeida和Campello(2007)、Poncet等(2010)和Guariglia等(2011)也以该指标比较了不同资产有形度(tangibility)和不同所有制企业间融资约束的差异。当然，投资—现金流敏感度并不是衡量融资约束的唯一指标，其本身也存在一定局限。不过，Silva和Carreira(2012)指出，投资—现金流敏感度在比较融资约束差异方面具有优势，能够避免调查问卷和构建指标等直接度量方式容易面临的主观性问题和随之而来的对融资约束程度的反映偏误问题(Farre-Mensa and Ljungqvist，2013)。但可惜的是，该方法尚未被用以分析产业集聚对融资约束的影响。 最后，本文还与其他有关产业结构与融资约束的文献相关。林毅夫、李永军(2001)、李志赟(2002)和张捷(2002)研究了金融部门结构对融资约束的影响，发现中小金融机构能缓解中小企业的融资约束。Cetorelli和Strahan(2006)发现，金融部门结构越分散、竞争越激烈，当地企业数量就越多、平均规模就越小。Hayami等(1998)发现，大小企业间的纵向一体化促成了小企业发挥劳动力比较优势、大企业发挥资本比较优势的分工，有助于缓解小企业的融资约束。 三、理论模型 考虑一个基于Bernanke等(1996)的融资约束理论模型框架。假设经济包含企业和银行两个主体。其中，企业通过投资进行生产。投资分为两部分。固定资产投资的规模为K，可变资产投资的规模为X。简单起见，假设固定资产是前置资产，企业的产出仅取决于可变资产： Y=Af(X) (1) 其中，Y是企业的产出，A是其生产力水平，f(·)是一个递增的凹函数。可变资产可通过内部融资和外部融资两个渠道获得。内部融资规模取决于企业前一期获得的现金流C，外部融资规模取决于外部投资者的决策。简单起见，假设银行是唯一的外部投资者。因此，企业当期资金的会计恒等式为： X=C-RB+B＇ (2) 其中，B是企业前一期既有的负债规模，R是对应于这些负债的总利率(R=1+r，r为贷款利率)，B＇是企业当期的负债规模。(2)式表明，企业用于生产的可变资产规模是内部融资与外部融资规模的总和扣除偿付既有负债支出后的余额。 当不存在融资约束时，企业内部的现金流C和通过外部融资获得的负债B在(2)式中是可以彼此完全替代的。因此，企业的资金来源不存在“金融等级”(Myers and Majluf，1984；Greenwald et al.，1984；Myers，1984；Fazzari et al.，1988)。但如果企业与银行间存在信息不对称问题，银行就可能对企业的外部融资规模设置上限。简单起见，考虑一种极端情况。假设企业的生产存在失败的风险。如果生产失败，则企业的产出Y为0。考虑有限责任情形，则银行在此情况下就无法获得任何投资回报，因而将蒙受损失①。但如果生产成功，则企业的产出Y就如(1)式所示，企业将按照事先与银行约定的利率水平偿付资本收益。根据Bolton和Scharfstein(1990)，假设银行无法观察到企业的生产是否成功，或即便能观察到生产成功与否的状态却也无法向法院证实(verify)。因此，如果银行不对企业的外部融资施加任何限制，则企业无论生产结果的实际状态是否成功，都将向银行报告生产失败，从而造成银行的投资损失。有鉴于此，银行将不会向企业提供任何贷款。 当存在信息不对称问题时，银行可以要求企业在申请贷款的同时提供抵押物以缓解银行的部分风险。在模型中，抵押物的具体形式就是企业的前置固定资产。假设当期生产结束后企业固定资产的折变价格是Q，则银行愿意向企业提供的贷款规模受限于下式： B＇≤Q(K/R＇) (3) 其中，R＇是企业生产当期的市场利率水平。(3)式表明，银行愿意向企业提供的贷款规模至多不超过企业生产结束后折变其所有固定资产所能获得市场收益的贴现值。 当存在信息不对称问题以至于企业的外部融资面临(3)式约束时，企业内部资金的成本就较低，外部资金的成本就较高，从而企业的资金来源就存在“金融等级”。这表现为企业的现金流与投资率之间存在较高的正相关性(Fazzari et al.，1988)。在Bernanke等(1996)的简单模型中，若企业的外部融资需求低于由(3)式规定的上限，则企业的投资—现金流敏感度为0。这与不存在融资约束时的情况一致。若企业的外部融资需求等于或高于由(3)式规定的上限，则(3)式就是紧约束。这时，企业的投资—现金流敏感度为1。在更一般的设定下，假设当企业的外部融资需求触及由(3)式规定的上限时，银行将以一定的概率对企业施加贷款规模限制，从而企业的投资—现金流敏感度将随(3)式中贷款规模的上限连续变化。因此，(3)式中贷款规模的上限越高，企业的投资—现金流敏感度越低。 (3)式表明，在给定的前置固定资产规模K和市场利率水平R＇下，企业面临的融资约束程度与其固定资产的折变价格Q负相关。具体来说，固定资产的折变价格越高，银行愿意向企业提供的贷款规模上限便越高，因而企业面临的融资约束程度就越低，其投资—现金流敏感度也就越低。对单个企业而言，其固定资产的折变价格由下式决定： Q=pq (4) 其中，p是该企业遇到需要同类固定资产的其他企业的概率；q是需要同类固定资产的其他企业在平均意义上愿意为该企业折变的固定资产支付的市场价格，它是由固定资产折变市场中供需双方共同决定的外生参数。(4)式表明，任一企业固定资产的折变价格Q与该企业遇到需要同类固定资产的其他企业的概率p正相关。 值得注意的是，这一概率与企业所处产业在企业所在地区中分布的集聚程度密切相关。具体来说，不妨考虑以下简单情形。假设所有企业都是同质的，但可能属于不同产业。由于同一产业内的企业对固定资产的需求类型往往相近(Shleifer and Vishny，1992)，又由于中国的金融部门在地区间存在市场分割(赵岩、赵留彦，2005；茅锐，2012)，因而对任一违约企业而言，本地区、同产业中的其他企业就是违约企业在折变固定资产时最佳的潜在购置者(Shleifer and Vishny，1992)。不妨将本地区同产业中的企业数目记作n，将本地区各产业的企业总数记作N，并且以con=con(n，N)表示企业所属产业在企业所在地区中的集聚程度②。那么显然，企业所属产业在企业所在地区中分布得越密集，银行在折变违约企业的固定资产时遇见需要同类固定资产的其他企业的概率就都越大。也就是说，概率 p由下式决定： p=p(con) (5) 其中，概率p与产业集聚度con正相关。 不过，另外两方面产业特征可能影响产业集聚度con与概率p之间的正相关性。首先，尽管本地区、同产业中的其他企业是违约企业折变固定资产时最佳的潜在购置者，但他们对固定资产的需求程度直接影响了它们的购置能力。不失一般性地，考虑一家有待折变1单位固定资产的违约企业。显然，只有对固定资产需求超过1单位的其他企业才真正具备购置该资产的能力。不妨以fix表示产业整体层面上固定资产在总资产中的比重。该比重越高，就说明产业内的企业对固定资产的平均依赖程度较高，从而在本地区、同产业的其他企业中，真正具有购置能力的企业的数量较大。这相当于增加了固定资产最佳潜在购置者的数目n。因此，较高的固定资产比重fix有助于增强产业集聚度con与概率p之间的正相关性。反之，如果产业整体的固定资产比重较低，就说明产业内的企业对固定资产的平均依赖程度较低，从而在本地区、同产业的其他企业中，真正具有购置能力的企业实际较少。这相当于减少了固定资产最佳潜在购置者的数目n。在极端情况下，如果违约企业所属的产业几乎无需使用固定资产，则即便该产业在违约企业所在地区中分布得十分密集，其中绝大多数企业也可能不会购置固定资产。因此，较低的固定资产比重fix将削弱产业集聚度con与概率p之间的正相关性。 其次，除本地区、同产业内的企业对固定资产的购置能力外，它们是否在违约企业折变固定资产时正好表现出对固定资产的购置需求，同样也将影响产业集聚度con与概率p之间的正相关性。具体来说，企业折变固定资产往往发生在企业遭受负向冲击以至于增速放缓或出现负增长时；相反地，企业表现出对固定资产的购置需求则往往出现在企业面临正向冲击时。如果产业中所有企业的增长差异度较小，则当一家企业违约时，同产业中其他企业可能也同时遭受了负向冲击，导致它们对固定资产产生购置需求的概率较低。反之，如果产业中所有企业的增长差异度较大，则尽管违约企业可能遭受了负向冲击，但同产业其他企业可能获得了正向冲击，从而使它们对折变固定资产产生需求的概率较高。不妨以var表示产业内企业间的增长差异度。差异度var越高，当一家企业违约时，同产业内的其他企业中有固定资产购置需求的比例就越高，这相当于增加了固定资产潜在购置者的数量n。因此，产业中企业增长的差异度有助于加强产业集聚度con与固定资产折变概率p之间的正相关性。 因此，考虑到这两方面额外的产业特征，可以将(5)式定义的概率p重新写成： p=p(con；fix，var) (6) 其中，括号内的分号表示产业集聚度con与概率p之间的正相关性取决于产业平均固定资产占比fix和产业内企业增长差异度var这两个产业特征条件：较低的固定资产比重fix将削弱产业集聚度con与概率p之间的正相关性，而较高的企业增长差异度有助于加强产业集聚度con与概率p之间的正相关性。 综上所述，当存在信息不对称问题时，银行对企业贷款规模施加的限制条件可以被重新写成下式：
根据(7)式，可以得到以下推论。 推论1：企业所属产业在企业所在地区中分布的集聚度越高，企业的投资—现金流敏感度越低。 推论2：企业所属产业对固定资产的依赖程度越高，产业集聚度的提高减小企业投资—现金流敏感度的效果越强；反之亦然。 推论3：企业所属产业中企业间的增长差异度越高，产业集聚度的提高减小企业投资—现金流敏感度的效果越强；反之亦然。 基于上述理论模型框架，本文将以投资—现金流敏感度作为实证分析手段，对以上3个推论加以检验。 四、数据、事实描述和基准回归结果 (一)数据 本文使用1998～2007年国家统计局的“中国工业企业数据库”进行研究③。该数据库包括全国31个省、直辖市和自治区内，年主营业务收入(即销售额)在500万元及以上的所有工业企业。参照聂辉华等(2012)和Guariglia等(2011)等的一般做法，本文剔除了销售额为负、总资产小于固定资产净值或流动资产、累计折旧小于当期折旧等明显违背会计原则的观测值。同时，为了避免少数极端观测值对实证分析造成影响，本文剔除了部分关键变量位于样本最低1％和最高1％范围内的观测值④。这些关键变量包括：资产总计、投资额占资产总计之比和现金流占资产总计之比等。其中，投资额和现金流的定义均与Guariglia等(2011)一致。具体来说，前者用当年年末与上年年末固定资产账面价格之差再加上本年折旧计算，后者用营业利润与本年折旧之和计算。为计算投资额，本文参照Brandt等(2012)，依据法人代码将企业前后两年的数据匹配起来，以获取固定资产原价合计的变化量⑤。经过上述处理，最终样本总共包括818417个观测值。关键变量的描述性统计特征如表1所示。这与Poncet等(2010)规模相对较小(约包含2万家中国企业)的ORIANA数据库的统计特征相近。 为刻画产业集聚度，本文构建了一个地区内所有产业年产值的赫芬达尔指数。在中国工业企业数据库中，地区的界定可以在省、市、县等各级层面。Ruan和Zhang(2012)考察了濮院羊毛衫产业的集群现象。他们对地区的定义主要在镇级层面。Long和Zhang(2012)则使用1995年的工业普查数据和2004年的经济普查数据来研究产业集聚现象。他们的基准分析在省(直辖市、自治区)级层面上定义地区这一概念。但他们发现，在市、县等其他各级层面上所获得的分析结果与在省级层面上所获得的分析结果相比差异不大。简单起见，本文将地区界定在相对折中的市级层面。但是，即使上升至省级层面或者下降至县级层面，实证分析的主要结论仍将保持不变。为刻画城市c的产业集聚度，首先将其各个产业中所有企业的年产值加总为各产业的年产值
。其中，i表示产业，t表示年份。假设城市c总共有N个产业，则其产业年产值的赫芬达尔指数就是：
也就是说，
度量了城市c第t年的产业集聚度。
的取值介于0和1之间。其取值越小，表示产业集聚度越低，也就是说该地区拥有多个产业，它们以相对平均的份额分布；其取值越大，表示产业集聚度越高，也就是说该地区拥有一个鲜明的主导产业。 显然，(8)式表明，在不同的产业分类标准水平下，城市c第t年的产业集聚度的具体程度不同。产业分得越细，每个产业就越小，从而产业集聚度指数
就越小。反之，产业分得越粗，产业集聚度指数
就越大。特别地，在极端的假设下，如果所有企业都被归为同一种产业，则根据(8)式，产业集聚度指数
就为1。这种极端假设当然是没有意义的。为全面比较地区间的产业集聚度差异，本文将分别使用2位数、3位数和4位数3种不同的行业分类标准，在多种产业细分度下，根据(8)式计算赫芬达尔指数。 表2描述了在不同行业分类标准下，用于刻画产业集聚度的产业年产值赫芬达尔指数在城市间分布的统计特征。行业分类标准越细，产业集聚度的最小值、最大值、均值和标准差就都越小，符合理论预期。本文实证检验的基准情形将使用2位数行业分类标准，另外两种行业分类标准则将被用于稳健性检验。在2位数行业分类标准下，一个平均意义上的城市的产业年产值赫芬达尔指数是0.2。但是，其中产业集聚度最高的城市的赫芬达尔指数高达0.78，而产业集聚度最低的城市的赫芬达尔指数则低至0.06，两者差距较大。需要说明的是，尽管除赫芬达尔指数之外，前三大产业的产出占比、基尼系数和空间基尼系数等其他指标也能用于刻画产业集聚度，但这些指标之间的相关性很高，并不会改变实证分析的主要结论(Guariglia et al.，2011)。
(二)事实描述 为直观考察企业的融资约束程度是否随产业集聚度提高而降低，本文将在具有不同产业集聚度的“城市—年份”组中，比较企业投资—现金流敏感度的差异。具体来说，每个城市每年的产业集聚度表现为如式所示的数值。因此，可以将同一年份且同一城市中的所有企业视为属于同一个“城市—年份”组，根据下式估计它们的投资—现金流敏感度β：
在(9)式中，
是在由城市c和第t年构成的“城市—年份”组中企业i的投资额，
是企业的现金流。如前文所述，这两个变量的度量方式与Guariglia等(2011)一致。在(9)式中，投资额与现金流均通过除以企业的资本存量
加以规则化。最后，cons和
分别是常数项和误差项。本文的理论模型说明，如果不存在融资约束，则投资额与现金流不相关，从而系数β不显著。反之，如果存在融资约束，则β显著为正。这与投资—现金流假说(Fazzari et al.，1988)是一致的。 在由任意城市、任意年份构成的“城市—年份”组中，均可根据(9)式估计其中企业的投资—现金流敏感度。以2位数行业分类标准下赫芬达尔指数的十分位数为标准，根据各“城市—年份”组的产业集聚度将所有“城市—年份”组归为10类。其中，第1类“城市—年份”组的产业集聚度最低，第10类“城市—年份”组的产业集聚度最高。在每类“城市—年份”组中均可计算各“城市—年份”组β值的平均值。其散点分布如图1所示。整体而言，在图1产业集聚度较高的“城市—年份”组类别中，企业的投资—现金流敏感度β的平均值倾向于较低。这说明企业的融资约束程度可能随产业集聚度的提高而降低。本文继而将利用计量模型，对这一关系进行更为严格的检验。 (三)基准回归结果 为严格考察产业集聚度对企业融资约束程度的影响，本文将运用计量模型，估计产业集聚度与企业投资—现金流敏感度之间的关系。首先，可以将每个“城市—年份”组中的企业看作整体，计算它们的总投资额与总现金流，进而估计总投资额与总现金流之间的相关性如何随“城市—年份”组的产业集聚度改变。换言之，这检验了在城市整体层面上，产业集聚度提高能否降低其企业整体的投资—现金流敏感度。为此，设定实证模型的具体形式为：
图1 “城市—年份”组的产业集聚度与其平均投资—现金流敏感度负相关 注：任意年份中的任意城市均构成一个“城市—年份”组。每个“城市—年份”组的产业集聚度由其中2位数行业分类标准下各产业年产值的赫芬达尔指数衡量。每个“城市—年份”组中企业的投资—现金流敏感度根据(9)式估计而得。横轴根据产业集聚度的十分位数将所有“城市—年份”归为10类。其中，第1类“城市—年份”组(组1)的产业集聚度最低，第10类“城市—年份”组(组10)的产业集聚度最高。纵轴为各类“城市—年份”组中投资—现金流敏感度β的平均值。 其中，
是城市c所有工业企业在第t年中的投资额总和，
是这些企业的现金流总和。两者均通过除以这些企业的资本存量总和
加以规则化。为考察产业集聚度对投资—现金流敏感度的影响，引入城市c第t年工业部门的产业集聚度
及其与现金流的交互项。在基准回归结果中，产业集聚度是以2位数行业分类标准下“城市—年份”组内各产业总产值的赫芬达尔指数衡量的。在(10)式中，系数
衡量了在产业分布完全分散(赫芬达尔指数为0)情况下的投资—现金流敏感度，系数
。衡量了产业集聚度对投资率直接产生的水平影响(level effect)，但系数
才是核心系数，它捕捉了产业集聚度是否并如何影响投资—现金流敏感度。如果
显著为负，就说明理论模型的推论1成立，产业集聚度的提高能够在城市整体层面上降低投资—现金流敏感度。最后，在(10)式中
分别是常数项、城市固定效应、年份固定效应和误差项。 其次，可以进一步在企业层面上考察企业所在“城市—年份”组的产业集聚度对企业投资—现金流敏感度的影响。为此，设定实证模型的具体形式为：
其中，
分别是处于城市c的企业i在第t年中的投资额和现金流。两者均被除以该企业的资本存量
加以规则化。为检验产业集聚度对企业投资—现金流敏感度的影响，一方面需要考虑企业所在“城市—年份”组的产业集聚度，另一方面又需要考虑企业本身是否属于该“城市—年份”组中集聚度最高的产业(后文简称为“主产业”)。在基准回归结果中，前者仍是以2位数行业分类标准下“城市—年份”组内各产业总产值的赫芬达尔指数衡量的，后者则是由一个二元变量
衡量的。如果企业所属产业在企业所在“城市—年份”组中的产值占该“城市—年份”组中所有产业总产值的比例最高，
就取1，表示企业属于其所属“城市—年份”组中的主产业。否则，
取0。因此，(11)式依次控制了产业集聚度
、二元变量
、两者的交互项
×
，以及这三者与企业现金流的交互项，以刻画产业集聚度对企业投资—现金流敏感度的影响。在(11)式中，系数
是核心系数。其中，
衡量了产业集聚度对主产业外企业投资—现金流敏感度的影响，系数
捕捉了产业集聚度对主产业内企业投资—现金流敏感度的额外影响。如果
＜0，就说明理论模型的推论1成立，产业集聚度提高能够降低主产业内企业的投资—现金流敏感度。如果
也显著为负，就表明产业集聚度提高还能降低主产业外企业的投资—现金流敏感度。给定产业集聚度，
反映了主产业内外企业投资—现金流敏感度的差异。如果
×
＜0，就表明主产业内企业的投资—现金流敏感度更低。最后，在(11)式中，系数
衡量了产业分布完全分散情况下企业的投资—现金流敏感度，系数
衡量了产业集聚度、是否属于主产业和这两者的交互项对企业投资率直接产生的水平效应，
分别是常数项、企业固定效应、年份固定效应和误差项。 最后，参照Guariglia等(2011)，还可以在(11)式的基础上将其设定为动态面板模型，使用广义矩估计法(GMM)进行估计，从而有助于考虑企业投资的时间序列相关性，并能在一定程度上缓解(11)式中解释变量(尤其是产业集聚度)的内生性问题。动态面板模型的具体形式为：
与(11)式相比，(12)式进一步考虑了企业上一年投资额对今年投资额的动态影响。如果系数
显著为负，就说明前期投资较多的企业当期投资较少，而前期投资较少的企业当期投资较多。换言之，企业投资额存在收敛特征(Guariglia et al.，2011)。 表3是基准回归结果。其中，结果(1)和(2)分别是基于(10)式和(11)式的固定效应模型估计结果，结果(3)是基于(12)式的动态面板模型GMM估计结果。结果(1)显示，一个城市产业集聚度的提高能在整体意义上显著降低企业的投资—现金流敏感度。2位数行业分类标准下的赫芬达尔指数每提高1个百分点，投资—现金流敏感度就降低2.226个百分点。例如，在赫芬达尔指数位于均值水平0.2上的城市中，企业的投资—现金流敏感度为0.497-2.226×0.2=0.05；而在赫芬达尔指数位于最低水平0.06上的城市中，投资—现金流敏感度为0.497-2.226×0.06=0.36。后者是前者的7.2倍。 结果(2)表明，对单个企业而言，其所在“城市—年份”组的产业集聚度提高也能显著降低投资—现金流敏感度。具体来说，对主产业外的企业而言，产业集聚度每提高1个百分点能降低投资—现金流敏感度0.136个百分点。例如，在赫芬达尔指数位于均值水平0.2上的城市中，主产业外企业的投资—现金流敏感度为0.405-0.136×0.2=0.38；而在赫芬达尔指数位于最低水平0.06上的城市中，投资—现金流敏感度为0.405-0.136×0.06=0.40。不过，两者仅相差0.02，幅度不大。对主产业内的企业而言，产业集聚度对投资—现金流敏感度的影响较大。产业集聚度每提高1个百分点能降低投资—现金流敏感度0.136+0.481=0.617个百分点。例如，在赫芬达尔指数位于均值水平0.2上的城市中，主产业外企业的投资—现金流敏感度为0.405+0.053-0.617×0.2=0.33；而在赫芬达尔指数位于最低水平0.06上的城市中，投资—现金流敏感度为0.405+0.053-0.617×0.06=0.42。两者相差0.09。 结果(2)还表明，在同一“城市—年份”组中，主产业内企业的投资—现金流敏感度往往比主产业外企业低。具体地，主产业内外企业的投资—现金流敏感度相差0.053-0.481×
。例如，对赫芬达尔指数位于均值水平0.2上的城市而言，主产业内企业的投资—现金流敏感度就比主产业外企业低0.04。更一般地，只要赫芬达尔指数高于0.110，主产业内企业的投资—现金流敏感度就比主产业外企业低。符合这一条件的“城市—年份”组约占所有“城市—年份”组的75％。对剩余25％的“城市—年份”组而言，由于赫芬达尔指数很小，说明其产业分布是较为均匀的。因此，企业本身是否处于产值最高的产业与其投资—现金流敏感度无关是可以理解的。 最后，结果(3)使用动态面板模型进行估计，获得了与结果(2)相似的结论。综上，基准回归分析获得了与理论模型推论1一致的实证检验结果。
五、稳健性检验 (一)稳健性检验：不同的行业分类标准 在基准回归分析中，产业集聚度
是以2位数行业分类标准下“城市—年份” 组内各产业总产值的赫芬达尔指数衡量的。进一步地，可以采用3位数和4位数行业分类标准重新计算赫芬达尔指数，对表3中的结果进行稳健性检验。结果如表4所示。其中，结果(1)和(2)分别是在3位数和4位数行业分类标准下基于(10)式的固定效应模型估计结果，结果(3)和(4)分别是在两种行业分类标准下基于(11)式的固定效应模型估计结果，结果(5)和(6)分别是在两种行业分类标准下基于(12)式的动态面板模型 GMM估计结果。 表4表明，就城市整体层面而言，在不同的行业分类标准下，产业集聚度提高均能显著降低投资—现金流敏感度，说明表3的基准结果是稳健的。对单个企业而言，如果企业属于所在“城市—年份”组的主产业，则产业集聚度提高能显著降低其投资—现金流敏感度，与基准结果一致。但如果企业不属于主产业，则除结果(6)外，产业集聚度均与企业的投资—现金流敏感度无关，与基准结果略有不同。表4还表明，主产业内企业的投资—现金流敏感度往往较低这一基准结论在稳健性检验中同样成立。事实上，在结果(3)～(6)的稳健性检验结果中，
均显著为负。与此同时，
或者不显著，或者比
的绝对值小两个数量级。因此，几乎在所有“城市—年份”组中，均有
×
为负，即主产业内企业的投资—现金流敏感度较低这一结论。 (二)稳健性检验：产业集聚度的内生性问题 值得注意的是，产业集聚度提高能降低投资—现金流敏感度的结论可能是由产业集聚度的内生性问题造成的。这首先可能是因为不同地区的金融部门绩效存在差异。金融效率较高地区的企业容易获得资金，从而表现出较低的投资—现金流敏感度。与此同时，这些地区的企业也可能因为容易获得资金而形成产业集聚。其次，产业集聚度较高地区的企业往往本身具有较高的生产力和较强的抗风险能力(Baldwin and Okubo，2006；盛丹、王永进，2013)。因此，它们可能本身就较容易获得外部融资，从而表现出较低的投资—现金流敏感度。也就是说，产业集聚度提高能降低投资—现金流敏感度的结论可能是由企业根据地区的金融绩效或自身的生产力或抗风险能力水平等做出的“自选择”行为造成的。 通过寻找产业集聚度合适的工具变量来解决这一内生性问题是较为困难的。在基准回归分析中，动态面板模型GMM估计结果能在一定程度上缓解由产业集聚度内生性问题造成的影响。但为进一步考察基准结论的稳健性，还可以从样本中筛选出由国有和集体企业构成的子样本，并检验在此子样本中，是否仍能获得产业集聚度提高将降低投资—现金流敏感度的结论。这是因为，与其他企业相比，国有和集体企业对城市地点的选择是相对外生的，很少存在“自选择”现象。诚然，由于所有制不同，国有和集体企业的投资—现金流敏感度很可能不同于其他企业(Guariglia et al.，2011)，但本文并不关心所有制间的差别。本文关心的问题是，在国有和集体企业内部，产业集聚度与投资—现金流敏感度之间是否仍存在推论1论证的关联。如果基准结论依然成立，就说明这不是企业“自选择”行为造成的内生性结果。
表5是在由国有和集体企业构成的子样本中进行的稳健性检验结果。根据文献中的一般做法，分别定义国有和集体企业为国有和集体资本金占比等于或高于50％的企业。将表5与表3、表4对比，首先可以发现在表5中，系数
相对较小。这说明，在完全不考虑产业集聚度的情况下，国有和集体企业的融资约束程度比其他企业小，与Guariglia等(2011)对不同所有制企业的考察结果一致。在表5中，系数
除在结果(3)和(5)中显著为正外，在其他结果中均不显著。核心系数
在所有结果中都显著为负，其绝对值均大于
，说明产业集聚度提高能显著降低主产业内国有或集体企业的投资—现金流敏感度。也就是说，理论模型的推论1在由国有和集体企业构成的子样本中依然成立，基准结论对企业“自选择”行为造成的内生性问题是稳健的。 六、产业集聚缓解融资约束效果在不同产业间的区别 在第三部分中，理论模型刻画了产业集聚缓解企业融资约束的作用机制：通过将本地区、同产业的其他企业(即固定资产的最佳潜在购置者)聚集起来，产业集聚提高了违约企业在折变固定资产时遇到需要同类资产的企业的概率；而银行在对企业授信时基于对这一预期的考量，将给予企业的抵押物(即前置固定资产)以更高的估值，从而放松了企业的借款上限；因此，产业集聚能够缓解企业的融资约束。但在实证研究中要直接验证这一作用机制是困难的。这是因为，要衡量产业集聚对企业抵押物估值的影响，不仅要求获取银行与企业之间的匹配数据，还要求获取银行对每笔信贷申请的定量评估(如对企业抵押物的估值、不予授信的理由等)。但这些信息很难获得。不过，本文的理论模型说明，如果该作用机制成立，则产业集聚缓解融资约束的效果将在对固定资产依赖程度较高或企业增长差异度较大的产业中显得更加明显。通过对这两条推论的验证，可以间接地证明产业集聚缓解融资约束的作用机制。 (一)不同固定资产依赖度产业间的比较 理论模型的推论2指出，产业集聚度减小企业投资—现金流敏感度的作用在对固定资产具有不同依赖程度的产业间存在差别。企业所属产业对固定资产的依赖度较高，则当企业以相同概率遇见本产业的其他企业时，其他企业对本企业固定资产存在需求的可能性就较高；反之则反。为进一步检验该推论，可以首先计算各产业总资产中固定资产的占比，即本产业所有企业固定资产之和除以总资产之和，并根据占比分布的中值将产业归为对固定资产依赖度较低的产业(该占比位于较低50％)和对固定资产依赖度较高的产业(该占比位于较高50％)。表6比较了这两类产业中企业投资—现金流敏感度的差异。 其中，结果(1)和(3)使用固定效应模型估计，结果(2)和(4)使用动态面板模型GMM估计。结果显示，核心系数
在对固定资产依赖度较低的产业中均不显著，但在对固定资产依赖度较高的产业中均显著为负。这说明，产业中企业对固定资产的需求普遍较高是产业集聚这一方式缓解企业融资约束的前提。这是与理论模型推论2一致的实证检验结果。
为检验上述结果是否稳健，本文同样针对不同的行业分类标准和可能存在的内生性问题做了进一步分析。与前文相似地，本文首先考察在3位数和4位数等更细的行业分类标准下，推论2是否依然成立。继而，为检验实证结果是否面临内生性问题的威胁，本文仍按照前文的方法，在由国有企业和集体企业(定义与前文一致)构成的子样本中考察推论2的有效性。在子样本分析中，我们仍使用基准情形所使用的2位数行业分类标准。表7列出了上述不同的稳健性检验对本文核心系数
的估计结果。显然，基准结果在稳健性检验中依然成立：
在对固定资产依赖度较低的产业中均不显著，但在对固定资产依赖度较高的产业中均显著为负。也就是说，实证结果对推论2的支持是稳健的。 (二)不同企业增长差异度产业间的比较 理论模型的推论3指出，产业集聚降低企业投资—现金流敏感度的作用还在企业增长差异度不同的产业间存在差别。企业折变资产往往发生在遭受负向冲击时。如果产业内企业的增长差异度较小，则当本企业需要折变其固定资产时，其所属产业中其他企业对固定资产的需求也可能较低，从而减弱了产业集聚缓解融资约束的作用。反之，如果企业增长的差异度较大，则当本企业遭遇负向冲击时，产业内的其他企业可能反而同时获得正向冲击并对固定资产产生需求，从而加强了产业集聚缓解融资约束的作用。 为进一步检验推论3，可以根据两类标准对产业进行划分。首先，根据Sharpe(1994)及Almeida和Campello(2007)，计算各产业企业产值总和与国民生产总值的相关度：
其中，
表示产业j在第t年的总销售产值，
表示中国当年的国民生产总值。根据相关度分布的中值将产业归为强周期性产业(相关度位于较高50％)和弱周期性产业(相关度位于较低50％)。对强周期性产业而言，负向的宏观冲击将同时影响产业内的多数企业，减少单个企业折变固定资产时同产业中其他企业的需求，从而将减弱产业集聚缓解融资约束的作用。但这种划分方法的局限在于，它将负向宏观冲击视作企业折变固定资产的主要根源，而没有直接度量产业内企业增长的差异度。为此，考虑另一种划分方法。该方法直接计算各产业内企业增长率的变异系数，并根据变异系数分布的中值将产业归为低差异度产业(变异系数位于较低50％)和高差异度产业(变异系数位于较高50％)。根据推论3，在使用宏观周期性和增长差异度这两种方法对产业进行划分后，应获得产业集聚降低企业投资—现金流敏感度的作用在弱周期性产业和高差异度产业中较强，在强周期性产业和低差异度产业中较弱的结论。 表8是根据两类标准对产业进行划分后的检验结果。核心变量
在结果(1)、(2)对应的强周期性产业和结果(5)、(6)对应的低差异度产业中均不显著，但在结果(3)、(4)对应的弱周期性产业和结果(7)、(8)对应的高差异度产业中均显著为负。这说明，同产业中企业对负向宏观冲击的反应不同和企业增长情况存在差异是产业集聚降低企业投资—现金流敏感度的前提。这是与推论3相一致的实证检验结论。 同样为检验上述结果是否稳健，本文首先考察在3位数和4位数等更细的行业分类标准下，推论3是否依然成立。继而，为检验实证结果是否面临内生性问题的威胁，本文仍按照前文的方法，在由前文定义的国有企业和集体企业构成的子样本中考察推论3的有效性。在子样本分析中，我们仍使用基准情形所使用的2位数行业分类标准。表9列出了上述不同的稳健性检验对本文核心系数
的估计结果。显然，基准结果在稳健性检验中依然成立：
在强周期性产业和低增长差异度产业中几乎均不显著(除在3位数行业分类标准下，在低差异度产业的GMM估计结果中微弱显著外)，但在弱周期性产业和高增长差异度产业中均明显为负。也就是说，实证结果对推论3的支持是稳健的。
七、结论和政策建议 产业集聚作为一种空间组织形式，增加了折变固定资产的企业遇见本产业内的其他企业(即资产的最佳使用者)的概率，因而有助于缓解企业面临的融资约束。本文通过构建理论模型论证了这一机制，并获得了其效果取决于产业整体对固定资产的依赖度和产业内企业间增长的差异度等推论。本文以投资—现金流敏感度衡量融资约束程度，并利用中国工业企业数据库证实了理论模型的机制和推论。基准结果在不同行业分类标准构建的产业集聚度指标和不同的估计方法下仍是稳健的。本文的研究结论有以下几方面政策含义。 第一，在存在金融抑制的环境中，产业集聚是能有效缓解企业融资约束问题的产业组织形式。有关产业集聚意义的传统认识主要集中在增强企业与供需市场的联系、促进专业人才的聚集和推广知识与技术的传播等方面(Marshall，1920)。本文提出了新的视角，证明产业集聚同时能使企业更容易地进入资本市场。这为地方政府提供了直接的政策建议。尽管金融创新和非正规金融手段是打破融资约束的传统渠道，但金融创新依赖于完善的顶层设计，而非正规金融手段又往往蕴含诸多风险，对地方政府而言，两者都难以成为缓解企业融资约束的有力手段。通过发展龙头产业、培育产业集群等产业政策，地方政府能在既定的金融环境中放松企业面临的融资约束，帮助企业的创新和发展。与此同时，地方政府还能避免对金融部门信贷决策和企业投资决策的直接干预，保证市场在经济发展中的决定性作用。 第二，建立并完善企业资产的抵押和流转市场对缓解融资约束问题而言至关重要。产业集聚能够通过增强企业固定资产的折变能力缓解融资约束。其效果固然取决于企业固定资产的数量，但也取决于固定资产被正规金融部门接纳的能力。后者与资产抵押和流转市场的发展密不可分。与此同时，资产抵押和流转市场的发展还有利于企业其他形式的资产成为正规金融部门能够接纳的抵押物。笔者在对浙江省淳安县的调查中发现，当地的游船企业能够将游船经营许可证抵押给金融部门获得贷款。这是因为，地方政府对游船经营许可证的核发和转让进行了有效管理，从而游船许可证能够获得稳定、甚至不断上升的市场估值。这说明，建立并完善资产抵押和流转市场有助于增强企业资产的折变能力，因此也是地方政府在既定的金融环境中缓解融资约束问题的有效方式。 第三，深化金融改革以促进金融部门市场化是解决企业融资约束问题的根本举措。尽管产业集聚有助于在既定的金融抑制环境中缓解企业的融资约束，但这并不表示可以放弃金融改革。事实上，产业集聚通过促进固定资产折变缓解企业融资约束的前提是，金融部门遵循市场机制。当银行仅以企业所有制或银企、政企关系为授信的依据时，强化企业固定资产的折变能力是不重要的。因此，放宽金融部门的准入限制和相应地完善金融机构的退出机制以加强市场竞争、发展直接融资等多种替代性融资渠道和推进利率等金融价格的市场化进程等深化金融改革的具体措施，是解决融资约束问题的根本途径。 作者感谢罗楚亮、陈斌开、邢春冰、徐建炜、张川川、戴觅的宝贵建议。当然，文责自负。 注释： ①严谨地讲，不妨认为银行除投资企业外还能选择一种安全、但回报率较低的项目。 ②在所有企业都是同质(尽管可能属于不同产业)的假设下，可以很自然地想到用比例n/N度量集聚程度con。但在现实数据中，企业在规模、产值等方面都不尽相同，因而直接使用这一比例是有问题的。在本文的实证分析中，将以赫芬达尔指数来度量集聚程度con，以便考量企业间的差异性。 ③有关该数据库的介绍，请参见聂辉华等(2012)。 ④剔除这些观测值后，剩余样本中相关变量的最小(大)值相对于样本最低(高)1％分位数而言不再表现出明显异常。 ⑤聂辉华等(2012)指出，数据库中存在个别不同企业共享同一法人代码的情况，从而可能导致基于法人代码的匹配方法产生“误配”结果。识别该问题的最直观方法是，检验同一法人代码的企业是否拥有相同的企业名称。但是，由于企业在改制、重组、搬迁等过程中频繁更名，企业名称往往比法人代码更不稳定。本文的处理方法是，根据企业名称最后5个字的一致性界定出可能产生“误配”结果的法人代码集合，再从中剔除那些企业邮政编码始终保持一致、企业开工时间始终保持一致、企业所在行业类别和登记注册类型始终保持一致，以及企业国有控股情况始终保持一致的法人代码，最终剩下的法人代码就被识别为产生了“误配”结果的法人代码。该方法的结果显示，“误配”样本在总样本中的占比不足万分之三。本文剔除了这些样本。另外，Brandt等(2012)采用了序贯的匹配方法。也就是说，在按照企业名称匹配样本后，再继续使用地区代码、电话号码、开工年份、邮政编码、行业代码、主要产品、所在县等其他变量匹配剩余的样本。然而通过检查发现，他们的匹配方法会导致过度匹配，增加“误配”的可能性。本文因此没有延续该做法。
标签：产业集聚论文; 银行融资论文; 融资论文; 固定资产标准论文; 概率计算论文; 违约概率论文; 银行资产论文; 银行论文; 投资论文;
